Công Cụ Tính Sai Số Toàn Phương Trung Bình (RMSE)

Công Cụ Tính Sai Số Toàn Phương Trung Bình (RMSE)

Đang tăng trưởng AI Skill PRO

Nhập phép tính

Công thức

RMSE=1n∑i=1n(Thực tếi−Dự đoáni)2\text{RMSE} = \sqrt{\frac{1}{n} \sum_{i=1}^{n} \left( {{\text{Thực tế}_i}} - {{\text{Dự đoán}_i}} \right)^2}
Thống kê sử dụng

Quảng cáo

Kết quả

Sai số toàn phương trung bình
0,6124
RMSE
Số điểm dữ liệu (n) 4
Sai số bình phương trung bình (MSE) 0,375
Sai số tuyệt đối trung bình (MAE) 0,5

Báo lỗi nội dung trang này

RMSE (Sai Số Toàn Phương Trung Bình) Là Gì?

RMSE (Root Mean Square Error – Sai số toàn phương trung bình) là một trong những chỉ số phổ biến nhất để đo lường mức độ chênh lệch giữa giá trị dự đoán của mô hình và giá trị quan sát (thực tế). RMSE thể hiện độ lớn điển hình của sai số dự đoán theo cùng đơn vị với dữ liệu gốc, nhờ vậy rất dễ diễn giải. RMSE càng nhỏ thì mô hình càng khớp tốt, và RMSE bằng 0 nghĩa là dự đoán hoàn toàn chính xác.

Biểu đồ phân tán với đường hồi quy và các đoạn dư thẳng đứng giữa các điểm và đường
RMSE tóm tắt phần dư — khoảng cách dọc giữa điểm thực tế và giá trị dự đoán.

Cách Sử Dụng Công Cụ

Bạn hãy nhập danh sách giá trị thực tế và danh sách giá trị dự đoán dưới dạng hai dãy số, cách nhau bằng dấu phẩy hoặc khoảng trắng. Hai dãy nên có cùng số phần tử; nếu số lượng khác nhau, công cụ sẽ chỉ lấy n cặp đầu tiên trùng khớp. Nhấn nút tính toán để xem kết quả RMSE, cùng với Sai số toàn phương trung bình (MSE) và Sai số tuyệt đối trung bình (MAE) để có thêm góc nhìn đánh giá.

Giải Thích Công Thức

RMSE được tính qua bốn bước:

$$\text{RMSE} = \sqrt{\frac{1}{n} \sum_{i=1}^{n} \left( \text{Actual}_i - \text{Predicted}_i \right)^2}$$

(1) lấy giá trị thực tế trừ đi giá trị dự đoán tương ứng để có sai số, (2) bình phương từng sai số để các giá trị âm và dương không triệt tiêu lẫn nhau, (3) lấy trung bình các sai số bình phương này để ra MSE, và (4) khai căn bậc hai để đưa kết quả về đúng đơn vị ban đầu. Việc bình phương khiến những sai số lớn có trọng số cao hơn, nên RMSE nhạy cảm với các điểm ngoại lai (outlier) hơn so với MAE.

Quảng cáo
Sơ đồ phẳng thể hiện các bước của công thức RMSE từ sai số đến bình phương, lấy trung bình và khai căn
Mỗi sai số được bình phương, lấy trung bình, rồi khai căn để trả kết quả về đơn vị ban đầu.

Ví Dụ Minh Họa

Giả sử giá trị thực tế = [3, -0.5, 2, 7] và giá trị dự đoán = [2.5, 0.0, 2, 8]. Các sai số lần lượt là \(0.5, -0.5, 0, -1\). Sau khi bình phương: \(0.25, 0.25, 0, 1\), tổng lại bằng \(1.5\). Chia cho \(n = 4\) ta được \(\text{MSE} = 0.375\). Khai căn bậc hai cho \(\text{RMSE} \approx 0.6124\). Còn \(\text{MAE} = (0.5 + 0.5 + 0 + 1)/4 = 0.5\).

Quảng cáo

Thêm các ví dụ minh họa

Cả hai ví dụ đều dùng dự báo nhiệt độ tính bằng °C trong năm ngày. Mỗi sai số là \(e_i = \text{Thực tế}_i - \text{Dự đoán}_i\). Các sai số bình phương cho ra MSE (sai số bình phương trung bình) và RMSE (căn bậc hai của sai số bình phương trung bình), còn các sai số tuyệt đối cho ra MAE (sai số tuyệt đối trung bình). Hai bộ dữ liệu giống nhau ngoại trừ ngày 5, nên bạn có thể thấy một sai lệch lớn ảnh hưởng thế nào đến từng chỉ số.

Ví dụ 1: Dự báo khá chính xác

Nhiệt độ thực tế: 20, 22, 25, 24, 21. Nhiệt độ dự đoán: 21, 20, 25, 27, 22.

Ngày Thực tế (°C) Dự đoán (°C) Sai số \(e_i\) Bình phương sai số \(e_i^2\) Sai số tuyệt đối \(|e_i|\)
1 20 21 −1 1 1
2 22 20 2 4 2
3 25 25 0 0 0
4 24 27 −3 9 3
5 21 22 −1 1 1
Tổng 15 7
  1. Tổng bình phương sai số: \(1 + 4 + 0 + 9 + 1 = 15\)
  2. MSE: $$\text{MSE} = \frac{15}{5} = 3$$
  3. RMSE: $$\text{RMSE} = \sqrt{3} \approx 1.7321$$
  4. MAE: $$\text{MAE} = \frac{1 + 2 + 0 + 3 + 1}{5} = \frac{7}{5} = 1.4$$

Kết quả: RMSE ≈ 1.7321 °C và MAE = 1.4 °C. Hai giá trị này khá gần nhau (RMSE/MAE ≈ 1.24) vì tất cả các sai số có độ lớn gần như nhau.

Ví dụ 2: Cùng dự báo nhưng có một sai lệch lớn

Mọi thứ giữ nguyên, trừ ngày 5, khi dự báo là 31 °C thay vì 22 °C. Nhiệt độ thực tế vẫn là 21 °C.

Ngày Thực tế (°C) Dự đoán (°C) Sai số \(e_i\) Bình phương sai số \(e_i^2\) Sai số tuyệt đối \(|e_i|\)
1 20 21 −1 1 1
2 22 20 2 4 2
3 25 25 0 0 0
4 24 27 −3 9 3
5 21 31 −10 100 10
Tổng 114 16
  1. Tổng bình phương sai số: \(1 + 4 + 0 + 9 + 100 = 114\)
  2. MSE: $$\text{MSE} = \frac{114}{5} = 22.8$$
  3. RMSE: $$\text{RMSE} = \sqrt{22.8} \approx 4.7749$$
  4. MAE: $$\text{MAE} = \frac{1 + 2 + 0 + 3 + 10}{5} = \frac{16}{5} = 3.2$$

Kết quả: RMSE ≈ 4.7749 °C và MAE = 3.2 °C.

So sánh hai ví dụ

Chỉ số Ví dụ 1 Ví dụ 2 Mức tăng
MSE (°C²) 3 22.8 ×7.6
RMSE (°C) 1.7321 4.7749 +3.0428 (×2.76)
MAE (°C) 1.4 3.2 +1.8 (×2.29)
RMSE ÷ MAE 1.24 1.49 —

Một dự báo lệch 10 °C chiếm 100 trong tổng số 114 bình phương sai số, tức khoảng 88%. MAE tính sai lệch đó là 10 trên tổng 16 đơn vị sai số. Vì RMSE bình phương từng sai số trước khi lấy trung bình, nên nó tăng mạnh hơn nhiều so với MAE. Khi RMSE lớn hơn MAE đáng kể, thường là do một vài sai số lớn đang chi phối điểm số. Hãy xem xét các điểm sai lệch riêng lẻ đó trước khi kết luận rằng toàn bộ mô hình kém.

Đơn vị: RMSE và MAE tính bằng °C, cùng đơn vị với dữ liệu. MSE tính bằng °C², và đó là lý do RMSE thường dễ diễn giải hơn.

Câu Hỏi Thường Gặp

Giá trị RMSE bao nhiêu là tốt? Điều này hoàn toàn phụ thuộc vào thang đo của dữ liệu. Hãy so sánh RMSE với khoảng giá trị hoặc giá trị trung bình của biến mục tiêu, hoặc đối chiếu với một mô hình cơ sở (baseline).

RMSE khác MAE ở điểm nào? RMSE bình phương sai số trước khi lấy trung bình, nên phạt nặng những sai số lớn; trong khi MAE xử lý mọi sai số một cách tỷ lệ tuyến tính như nhau.

RMSE có thể âm không? Không. Vì đây là căn bậc hai của trung bình các bình phương, nên RMSE luôn bằng 0 hoặc dương.

Cập nhật lần cuối:

Phổ biến nhất trong Toán học và Thống kê

Xem tất cả máy tính Toán học và Thống kê